股票方差怎么分析？
首先，从原理上说明为什么波动率能够度量风险。 假设某投资组合由n种资产组成，价格向量为（P_1， P_2， … P_n），对应的期权价格为（O_1， O_2， … O_n）。利用期权定价公式分别得到期权的价格，然后把各期权的执行价格与市场价格结合在一起构成一个新向量，这个新向量包含了关于该投资组合的所有信息。记这个新向量为Z=(z_1， z_2，…， z_m)。其中z_j 为第j项资产的执行价格，m为总资产数量。
如果现在要买入一揽子资产，那么直接买进一揽子资产所需要的预算资金为 Z^{\top} \boldsymbol{S}^{\frac{1}{2}}\boldsymbol{r}_0 其中\boldsymbol{S}是方差-协方差阵， \boldsymbol{r}_0 是标准正态分布的随机数矩阵。显然预算资金取决于所有资产的价格和风险。然而对于单个资产来说，其最大可能的风险并不是总能获得足够的信息进行度量。这时候我们就可以把目光转向资产价格的变化方向。假设市场是无风险利率驱动的，则资产价格对数符合如下过程： \log(P_t)= r_{t}+ \theta_t(\log(P_0)-\log(F(t))) 其中 F(t)=\int^{t}_{0}e^{rt}\，\mathrm{d} r 是标准正态分布函数，（\theta_t，\， r_t )是驱动资产价格变化的过程参数。我们可以通过最小化方差来计算过程参数（\theta_t， r_t），然后再通过公式计算出未来时刻的资产价格。当然为了估计的精度，需要我们做足够的样本点来估计最小方差。当样本含量充足时，这个过程可以很好地反映真实世界的情况。
然后我们回来讨论原始问题，假设我们需要度量一揽子资产的风险，而一揽子资产的价格对数满足以上过程后，我们可以通过求导得到下列表达式： \sum^{m}_{i=1}\theta_{t， i}(O_{t， i}-K_{i})+ mr_t 于是如果我们能观测或者估计到（O_{t， i}， K_{i})，（i=1， …， n）就可以通过上述方程组来逐一代换求出过程参数，进而可以计算出资产未来价格。由于过程参数反映了风险程度，因此我们也可以直接将之用于度量被研究对象的风险。以上分析是基于金融中的随机过程理论。
此外还可以利用Monte Carlo的方法，通过模拟的方式来生成足够数量的随机样本，再通过上面公式计算出过程参数。最后采用同样的方法回归得到风险的计量结果。 以上分析了如何基于随机过程的理论来计量风险。现实中往往情况更加复杂。例如投资者对风险的态度、投资者的决策偏好等因素都会影响到资产价格，从而使得随机过程的理论模型难以建立。对于这些难以用随机过程建模的问题，可以通过构造合适的优化问题来解决。详细的内容可以参看文章《金融中模糊数学的应用》。